我正在开展一项心血管观察（即非随机）研究，其中包括三种或更多竞争治疗。
我的偏好是首先使用 1:1 的倾向得分匹配进行分析，例如在 R 或Stata中使用twang或。然后，通过处理加权的逆概率，例如在 R 中或在 Stata 中使用，确认主要分析而不排除任何情况。但是，我至少有三组在比较中，因此标准方法需要重新考虑。MatchItpsmatch2twangmeglm
我在网上找到了TriMatchR 的包，它似乎能够处理不止一种治疗，但它似乎只关注倾向得分。
无论如何，最明智的做法是什么？我是否应该将所有比较二分法（例如，将 A vs B vs C 比较解构为 A vs B、A vs C 和 B vs C）并继续使用标准方法？还是我应该寻求另一种可能更具挑战性的方法？
您可以使用twang超过 2 个治疗级别——我一直使用它来获得多个（即 >2）治疗的倾向得分，它是我一直最喜欢的 R 软件包之一，因为无需猜测两者之间的函数关系您的治疗方法和协变量。由于twang使用梯度增强回归，它可以自动拟合非线性关系和交互。您需要做的就是在使用该get.weights函数获得倾向得分后评估余额统计数据。使用mnpstwang 中的函数而不是ps函数，您可以获得多个治疗的倾向得分权重。RAND 的好人甚至为多重治疗倾向评分加权准备了一个很好的教程。
但是要注意一点twang。它不是编写效率最高的程序，也不容易并行化，因此如果您有大量数据（例如 > 100,000 次观察），它可能会非常慢。此外，有时可以分配太大的权重，因此对您的结果影响太大。我对权重进行了简单的检查，以确保没有权重过大（例如，没有权重占所有权重的总和的 5% 以上）。还要注意，twang 倾向得分权重不是标准化的，因此它们不会相加。他们可以通过一些操纵，但我很少发现我需要这样做。
最后，Elizabeth Stuart 的工作表明，使用梯度提升方法构建的倾向得分优于其他方法。因此，我强烈主张使用 twang。
Imbens (2000) 和 Imbens 和 Wooldridge (2009) 概述了一种在治疗采用两个以上值的情况下根据治疗前特征调整治疗选择的方法。这种方法被称为广义倾向得分。第一步是使用多项逻辑回归预测治疗类别，然后预测每个治疗组中基于模型的概率。Iptw 基于每个人实际所处的治疗条件的概率值的倒数。正如 Dimitry 所提到的，在 teffects 程序集中有用于执行此操作的内置 Stata 例程。
因宾斯，G.（2000 年）。在因果效应的观察性研究中，倾向评分在估计剂量反应中的作用。Biometrika, 3, 706–710。doi: 10.1093/biomet/87.3.706
Imbens, GW 和 Wooldridge, JM (2009)。项目评估计量经济学的最新发展。经济文献杂志，47（1），5-86。doi:10.1257/jel.47.1.5